# 多模態大語言模型

SAIL是一個專為視覺與語言設計的單一Transformer模型，作為統一的多模態大語言模型（MLLM），它在單一架構中無縫集成了原始像素編碼和語言解碼功能。

InternVL3 是一個先進的多模態大語言模型系列，具備強大的多模態感知和推理能力，支持圖像、視頻和文本輸入。

InternVL3-2B是OpenGVLab推出的先進多模態大語言模型（MLLM），具備卓越的多模態感知和推理能力，支持工具使用、GUI代理、工業圖像分析、3D視覺感知等。

InternVL3-1B是InternVL3系列中的1B參數規模多模態大語言模型，整合了InternViT視覺編碼器和Qwen2.5語言模型，具備卓越的多模態感知和推理能力。

Ovis2-1B是多模態大語言模型（MLLM）Ovis系列的最新成員，專注於視覺與文本嵌入的結構對齊，具有小模型高性能、強化推理能力、視頻與多圖處理以及多語言OCR增強等特性。

Video-R1-7B是基於Qwen2.5-VL-7B-Instruct優化的多模態大語言模型，專注於視頻推理任務，能夠理解視頻內容並回答相關問題。

Finedefics 是一個開源的多模態大語言模型（MLLM），通過融入對象的信息化屬性描述，增強了細粒度視覺識別（FGVR）能力。

MiniMax-VL-01是一個強大的多模態大語言模型，採用'ViT-MLP-LLM'框架，具有動態分辨率處理能力，在多項視覺語言任務中表現優異。

VideoRefer-7B是一個基於視頻大語言模型的多模態模型，專注於時空物體理解任務。

p-MoD是一個基於漸進比例衰減方法構建的混合深度多模態大語言模型，支持圖像文本生成文本任務。

LLaVA-UHD v2 是一款先進的多模態大語言模型，圍繞分層窗口變換器構建，能夠通過高分辨率特徵金字塔捕捉不同視覺粒度。

AuroraCap是一個用於圖像和視頻字幕的多模態大語言模型，專注於高效和詳細的視頻字幕生成。

Eagle 是一系列以視覺為中心的高分辨率多模態大語言模型，支持高達1K以上的輸入分辨率，在光學字符識別和文檔理解等任務上表現出色。

M3D是基於多模態大語言模型的3D醫學影像分析技術，包含M3D-Data數據集、M3D-LaMed模型和M3D-Bench評估基準。